把手机放在训练垫前，完成一组深蹲，屏幕就会给出膝关节角度和动作提示。这样的体验正在从实验室走到普通训练者身边。但角度漂亮，并不等于训练有效。我们从跑步、力量训练和球类练习出发，讨论镜头能看见什么、看不见什么，以及怎样把一次识别结果变成真正可执行的调整。
先把拍摄条件摆对
手机摄像头识别动作，需要身体完整进入画面，光线稳定，镜头与运动平面尽量垂直。深蹲从侧面拍能观察躯干与髋部变化，从正面拍更容易看到膝盖轨迹；两个角度解决的问题并不相同。只拿一个角度的结果当作全部结论，常会把遮挡和透视误差误认为动作问题。
2025年一篇关于无标记运动分析的综述提醒，二维姿态估计在身体向镜头内外旋转、多人遮挡和光照复杂时会受限。这意味着家用视频适合发现明显趋势，却不宜给每个细小关节角度赋予医学式精度。
看变化，而不是追单次高分
训练者可以连续录三周同一个动作，固定机位和负重，比较幅度、节奏与左右差异。稳定出现的变化，比某一天的“动作得分”更有解释力。若增加重量后动作深度突然缩短，就值得回看训练安排，而不是立刻去买新的传感器。
跑步分析也类似。步频、落地时间或身体摆动可以提供线索，但路面、疲劳和速度都会影响结果。把不同条件下的片段混在一起比较，最后往往只会得到一张看起来精确却无法指导训练的曲线。
AI教练应当会说“不确定”
好的反馈应指出证据来自哪段视频、识别是否稳定，以及还有哪些可能原因。只说“膝盖内扣，请纠正”过于简单：镜头位置、鞋底、负重和个人活动度都可能改变视觉印象。训练建议最好一次只改一个变量，并在下一组动作里验证。
体育大模型可以把姿态、训练日记和主观感受整理为自然语言解释，但文字流畅不代表结论准确。疼痛、旧伤和康复问题仍需要专业人员评估。对普通用户，模型最实在的作用是帮助整理问题，提醒何时该停下来检查。
给普通用户的四步用法
第一，确定一个动作目标；第二，固定机位与测试条件；第三，只追踪两三个指标；第四，用训练感受和实际表现核对提示。若反馈与身体感受矛盾，先回看原视频，必要时请教练观察。
我们认为AI动作分析更像一面带标尺的镜子，不是裁判。它让训练者更容易发现重复出现的习惯，却不能替代长期练习、休息和人的判断。设备与算法越容易获得，越要把注意力放回真实动作。
放到真实场景里看
一个更稳妥的实验是让同一位训练者在相同位置录制三组深蹲：自然速度、刻意放慢和略微增加负重。比较时不要先看分数，先看视频里是否能辨认动作幅度、膝盖轨迹和身体控制。若模型与肉眼回看不断矛盾，优先检查镜头与识别条件。
论坛里讨论动作分析时，也应留下拍摄条件与原始片段。只贴一张骨架截图，无法判断关节标记是否贴对身体，更无法看出动作前后的连续性。把问题具体到“第几组、哪个阶段、改了什么”，别人才能给出可验证的意见。
编辑建议：第一次使用动作分析工具，先挑深蹲或俯卧撑这种容易固定镜头的动作，坚持两周再判断它是否有帮助。